Browsing by Subject "Series de tiempo"
Now showing 1 - 6 of 6
Results Per Page
Sort Options
Item Evaluación del impacto de modelos multivariados de machine learning en la precisión del pronóstico de ventas y su efecto en la gestión de la cadena de suministro(Pontificia Universidad Javeriana Cali, 2026) Vanegas Valencia, Mario Leandro; Sánchez Osorio, Edisson Camilo; Arango Londoño, DavidLa planeación de la demanda constituye un eje fundamental en la gestión de la cadena de suministro agroindustrial, un sector complejo por la influencia de variables estocástica como el clima, los costos de insumos y la volatilidad macroeconómica. La problemática centra de esta investigación radica en las limitaciones estructurales de los modelos predictivos univariados tradicionales, los cuales presentan una precisión reducida al omití factores externos. La consecuencia, el objetivo principal de este estudio es evaluar y comparar el desempeño predictivo de enfoques estadísticos clásicos (OLS y SARIMAX) frente a algoritmos multivariados de Machine Learning (Random Forest, LightGBM y Prophet). La metodología integró datos transaccionales históricos (2022-2025) de dos familias de productos (Palas y Carretas) con variables exógenas como índices climáticos zonales, abastecimiento agrícola (SIPSA) y tasas de cambio (TRM). El desempeño se evaluó mediante métricas estandarizadas (MAE,RMSE y MAPE) a través de una validación temporal walk-forward. Los resultados empíricos demostraron que la granularidad mensual domina significativamente en la estabilización de la señal predictiva frente a agregaciones diarias o semanales. Asimismo, se evidencia que predecir el volumen (Cantidad) y el Margen Bruto constituyen problemas predictivos disímiles; mientras que Random Forest logró el mejor desempeño en tres de las cuatro series analizadas (reduciendo el MAPE hasta un 14.8% en volumen), SARIMAX demostró ser más robusto para modelar el Margen bruto en series específicas. Se concluir que la adopción de modelos multivariados de ensamble, combinados con un preprocesamiento adecuado de la temporalidad y variables exógenas casuales, optimiza sustancialmente la planeación comercial y operativa en la agroindustria.Item Modelo estadístico para medir el impacto económico del covid-19 a través del índice COLCAP(Pontificia Universidad Javeriana Cali, 2021) Bravo Aponte, Paula Andrea; Cardona González, María Camila; Hernández Giraldo, Carlos Andrés; Martínez Herrera, María José; García Arboleda, Isabel CristinaLa situación de confinamiento ocasionada por la llegada del virus SARS-COV-2, generó un impacto en el sector financiero, en especial en la Bolsa de Valores de Colombia (BVC), donde para muchas empresas se tomó como una oportunidad de crecimiento y para otras fue la causa de grandes pérdidas económicas. El presente proyecto pretende diseñar un modelo estadístico, que integre el confinamiento ocasionado por la aparición del virus, con el impacto que se produce en la Bolsa de Valores de Colombia (BVC), a través de la evaluación del índice COLCAP. El objetivo es realizar un análisis desde el ámbito financiero para diseñar un modelo estadístico, que permita que las empresas tengan una base de conocimiento cuando se presenten situaciones similares al confinamiento. Para este proyecto inicialmente se realizó la contextualización y justificación del proyecto, definiendo la situación presentada a nivel nacional, además de los grupos de interés en el proyecto y sus requerimientos. Posteriormente, se realizó la recolección de datos de un periodo de dos años, para definir las variables que influyen en el índice COLCAP y para realizar un estudio pre-confinamiento, confinamiento y post-confinamiento. Después del estudio se eligió el modelo de serie de tiempo (ARIMA) dado que es el que mejor se adecúa a la situación comprendida. Finalmente, debido a que la intención del proyecto no es solo medir el impacto económico, sino también ser aplicable y adaptable en las situaciones similares, se ajustó el modelo al índice IMAE.Item Predicción a corto plazo de la demanda eléctrica en una subestación usando modelos de series de tiempo(Pontificia Universidad Javeriana Cali, 2026) Ordoñez Márquez, Fredy Alejandro; Velásquez Chala, Oscar Fernando; Sánchez Ceballos, José Luis; Arango Londoño, DavidEste proyecto aplicado desarrolló y evaluó comparativamente un sistema de predicción a corto plazo (horizonte h=24 horas) de la demanda eléctrica, medida como potencia aparente en voltamperios (VA), registrada horariamente en una subestación eléctrica del sistema de distribución colombiano, a partir de 58,448 observaciones históricas del sistema SCADA correspondientes al período enero 2019 a agosto 2025. La problemática central es la ausencia de herramientas automatizadas de pronóstico a nivel de subestación, que limita la capacidad operativa de los Operadores de Red (OR) para prevenir sobrecargas, optimizar mantenimientos e integrar recursos energéticos distribuidos, en un contexto regulado por la CREG que exige crecientes niveles de eficiencia y calidad de servicio. El proyecto se estructuró en tres objetivos específicos: (i) caracterización estadística de la serie mediante preprocesamiento riguroso, análisis exploratorio, descomposición STL, análisis de autocorrelación y pruebas de estacionariedad ADF-KPSS; (ii) ajuste de las configuraciones de diferentes modelos de cinco familias, estadísticos (SARIMAX), machine learning (XGBoost, Prophet), deep learning especializado (N-HiTS, N-BEATS, TFT), fundacional (Chronos) e híbridos de residual boosting; y (iii) evaluación comparativa mediante validación cruzada temporal con esquema expanding window de 90 ventanas y métricas MASE, MAE y RMSE. El preprocesamiento identificó 456 valores faltantes imputados mediante una red neuronal MLP con baseline estacional ajustado, y detectó outliers con STL + Isolation Forest en un proceso iterativo de tres rondas. El análisis exploratorio reveló un cambio estructural de nivel de +11.6% en enero 2023 como el principal factor de error para los modelos. Los resultados demostraron que solo 7 de 17 configuraciones individuales superan al Seasonal Naïve (MASE < 1.0): Chronos con contexto post-2023 (MASE=0.8645, MAE=224 VA) es el mejor modelo individual, seguido por TFT-GPU (MASE=0.9179) y N-HiTS base (MASE=0.9575, 19 segundos de entrenamiento sin GPU). SARIMAX y XGBoost presentaron sesgos de subestimación de −392 VA/hora y −468 VA/hora respectivamente, inviables para producción sin corrección manual. A partir de estos resultados, la recomendación operativa es implementar el modelo TFT con GPU, utilizar N-HiTS como configuración base cuando no se cuente con GPU, y Chronos como modelo de contingencia cuando el entrenamiento local falla o no hay histórico suficiente.Item Predicción de la tasa de cambio EUR/USD: comparación de modelos de Deep Learning con diversos tipos y cantidades de datos de entrenamiento(Pontificia Universidad Javeriana Cali, 2025) Caicedo León, Andrés; Bastidas Caicedo, Harvey Demian; Sarmiento, Cristian Camilo; Pabón Burbano, María ConstanzaLa predicción de la tasa de cambio del par EUR/USD es un desafío significativo debido a la naturaleza no lineal de las series temporales financieras, las técnicas de Deep Learning son capaces de detectar patrones no lineales y son usadas para este tipo de predicciones, pero su desempeño varía dependiendo de los datos de entrenamiento usados. Este proyecto se enfoca en evaluar cómo la cantidad y el tipo de datos de entrenamiento, incluyendo datos sintéticos, afectan la precisión y la robustez de modelos predictivos de Deep Learning. Este proyecto aborda la necesidad de seleccionar adecuadamente la configuración de modelos y datos para mejorar las predicciones a corto y largo plazo de tres modelos de Deep Learning: Redes Neuronales Convolucionales (CNN), Redes de Memoria a Largo Plazo (LSTM) y Transformadores. Se midió, usando métricas de precisión y robustez, el desempeño de los modelos entrenados con distintas cantidades de datos de entrenamiento y la inclusión de distintos tipos de datos como indicadores técnicos y fundamentales. Además, se evaluó la efectividad de los datos sintéticos de entrenamiento en el desempeño de los modelos. El objetivo principal es determinar cómo diferentes configuraciones de modelos y datos afectan la precisión y robustez de las predicciones de la tasa de cambio EUR/USD. Con esto se espera crear un conjunto de resultados que permitan seleccionar la mejor configuración de modelos y datos a usar para el entrenamiento de predictores, lo que puede ser una herramienta académica y puede usarse en la toma de decisiones en el mercado de divisas, ya que la predicción de tasas es crucial para elaborar estrategias de trading y desarrollar herramientas analíticas avanzadas para el sector financiero.Item Predicción del monto total que se va a pagar por remesas en dólares que se originan en un día(Pontificia Universidad Javeriana Cali, 2025) Contreras Fuentes, William; Espinoza Guarnizo, Camilo; Agredo Chávez, Jorge; Pabón Burbano , María ConstanzaLas remesas son transferencias de dinero enviadas por trabajadores migrantes a sus países de origen para el sostenimiento de sus hogares [1]. En Colombia, según el DANE, estos flujos representaron aproximadamente el 2,8% del Producto Interno Bruto (PIB) en 2024. Dentro de la gestión operativa de las remesas, la predicción del monto en dólares por fecha de origen es un insumo clave, ya que la tasa de cambio se fija en el momento de iniciar cada transacción. Contar con una estimación anticipada permite a los agentes locales optimizar su cobertura cambiaria, mitigando los riesgos asociados. Para abordar este desafío, el proyecto desarrolló modelos predictivos basados en técnicas avanzadas de ciencia de datos, utilizando información histórica suministrada por una entidad financiera con alto volumen de operaciones en remesas en Colombia. El conjunto de datos abarcó un periodo de dos años y se compararon modelos con algoritmos de aprendizaje automático y análisis de series temporales. Entre los hallazgos más relevantes, se destaca que los modelos de árboles de decisión optimizados y redes neuronales recurrentes ofrecieron los mejores niveles de precisión, superando ampliamente a enfoques tradicionales como ARIMA o regresión basada en SVM. El mejor modelo alcanzó un R² de hasta 99.58 %, con un error absoluto medio significativamente bajo. Estos resultados confirman el valor de incorporar estructuras no lineales y secuenciales para mejorar la capacidad de pronóstico.Item Relación entre el crecimiento económico y el mercado laboral para el Distrito especial de Cali: Una aproximación desde la Ley de Okun(Pontificia Universidad Javeriana Cali, 2024) Duque Cárdenas, David Alejandro; Sierra Suárez, Lya Paola; Cerón Ordóñez, Julieth StefensDentro de los conceptos presentes en las ciencias económicas se encuentra la ley de Okun propuesta por el economista estadounidense Arthur Okun en su artículo “Potencial GNP: It´s Measurement and Significance” (Okun, 1962) la cual establece la existencia de una relación negativa entre la tasa de desempleo y el crecimiento económico de un país/región. Es decir, una variación positiva en el crecimiento económico traerá como consecuencia una reducción en la tasa de desempleo. Un no cumplimiento de esta ley por consiguiente representaría una afectación de la fuerza laboral, debido a que el aumento en la actividad económica no estaría representando un aumento en la cantidad de puestos de trabajo, por lo cual las nuevas oportunidades laborales que debería tener la sociedad no estarían surgiendo en la realidad. Revisar el posible cambio comportamental (generado en la pandemia y el COVID) existente entre el mercado laboral y el crecimiento económico, contribuye a la facilidad en la toma de decisiones de política monetaria, ya que se genera un mayor conocimiento sobre las repercusiones existentes entre la variación del crecimiento económico y el mercado laboral. De acuerdo con lo anterior, se puede decir que es importante realizar una validación del cumplimiento de la ley de Okun.